13 marzo 2021

12 marzo 2021

Le tecnologie quantistiche consentono una notevole accelerazione nel tempo di apprendimento artificiale. Studio internazionale pubblicato su Nature il 10 Marzo 2021

L'intelligenza artificiale sta entrando sempre più nelle nostre vite. Amazon tenta di prevedere ciò che ci interessa acquistare in base al nostro comportamento online. Netflix ha sviluppato una tecnologia predittiva basata sulle reazioni degli utenti e la usa per suggerirci film, serie e documentari. Alexa e Siri sono diventati assistenti estremamente sofisticati. In questi e innumerevoli altri scenari la domanda non sarà più se la macchina è in grado di imparare ma con quale rapidità.

Una ricerca, sviluppata all'interno di una collaborazione internazionale che comprende Austria, Germania, Paesi Bassi e Stati Uniti, ha fornito una risposta a questa domanda. E ha dimostrato che la tecnologia quantistica consente notevoli accelerazioni del tempo di apprendimento del computer. 

Questo risultato è stato ottenuto utilizzando un processore quantistico basato su fotoni. Il lavoro, che contribuisce al progresso dell'intelligenza artificiale quantistica, è pubblicato il 10 marzo dalla rivista Nature con il titolo: Experimental quantum speed-up in reinforcement learning agents.

Da una parte l'intelligenza artificiale con le sue macchine sempre più autonome, dall'altra la fisica quantistica e i suoi potenti algoritmi. Da alcuni anni molti scienziati hanno iniziato a investigare sulle connessioni tra questi due mondi e a studiare in che modo la meccanica quantistica può apportare significativi benefici per l'apprendimento dei robot e viceversa.

I ricercatori coinvolti in questo progetto hanno preso dei fotoni e li hanno accoppiati all'interno di un processore quantistico. Il processore è il nucleo della macchina di apprendimento. L'esperimento ha mostrato che la fisica quantistica riduce significativamente i tempi di apprendimento.

Per capire almeno concettualmente l'esperimento oggetto dello studio pubblicato su Nature si può provare a immaginare un robot, fermo a un incrocio, al quale sono permesse la svolta a sinistra e quella a destra. Se il robot si muove nel mondo che conosciamo, descritto dalla fisica classica, allora proverà a a sinistra o a destra indifferentemente, finché non sarà ricompensato nel compiere una delle due scelte. Invece se il robot è governato dalla fisica quantistica allora entrano in gioco gli aspetti più lontani dall'intuizione comune, in particolare il principio di sovrapposizione. E questo cosa comporta? Per capirlo cerchiamo di immaginare che il robot al momento di svoltare compirà simultaneamente la svolta a destra e a sinistra. Questa è la chiave, per quanto apparentemente inconcepibile, per realizzare un algoritmo di ricerca quantistica in grado di ridurre il numero di prove e di consentire al robot di imparare rapidamente il percorso corretto. Un agente intelligente che esplora l'ambiente giovandosi della sovrapposizione quantistica avrà la possibilità di imparare molto più velocemente di un analogo robot "classico". Sono sicuro che questa dimostrazione sperimentale sarà solo il primo passo di una promettente evoluzione nella tecnologia verso l'intelligenza artificiale quantistica.

Artistic impression of the quantum learning concept © Rolando Barry (University of Vienna)

Experimental quantum speed-up in reinforcement learning agents - Published: 10 March 2021

Abstract - As the field of artificial intelligence advances, the demand for algorithms that can learn quickly and efficiently increases. An important paradigm within artificial intelligence is reinforcement learning1, where decision-making entities called agents interact with environments and learn by updating their behaviour on the basis of the obtained feedback. The crucial question for practical applications is how fast agents learn2. Although various studies have made use of quantum mechanics to speed up the agent’s decision-making process3,4, a reduction in learning time has not yet been demonstrated. Here we present a reinforcement learning experiment in which the learning process of an agent is sped up by using a quantum communication channel with the environment. We further show that combining this scenario with classical communication enables the evaluation of this improvement and allows optimal control of the learning progress. We implement this learning protocol on a compact and fully tunable integrated nanophotonic processor. The device interfaces with telecommunication-wavelength photons and features a fast active-feedback mechanism, demonstrating the agent’s systematic quantum advantage in a setup that could readily be integrated within future large-scale quantum communication networks.